[发明专利]一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法及处理终端

说明书

本发明公开了一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，该方法包括：获取荔枝树晚秋梢的遥感图像；建立改进型YOLOv5网络模型，具体包括:通过现有的遥感图像数据集对YOLOv5的四种网络(s、m、l、x)进行训练选择最优网络；在最优网络上添加针对小目标设计的预选框和检测层，在Neck部添加CBAM注意力机制，使用Swi n‑Transformer替换Neck部的Bott l eneckCSP层，使用B I FPN替换FPN特征融合金字塔和使用C IOU替换G IOU作为计算边界框回归的损失函数；通过改进型YOLOv5网络模型获取遥感图像中荔枝树晚秋梢的检测结果。本发明提出一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法及处理终端，解决了晚秋梢难以检测，原YOLOV5算法的网络中大量卷积操作等会丢失目标的特征的技术问题。

技术领域

本发明属于目标检测领域，涉及一种基于改进型YOLOV5算法的荔枝树晚秋梢检测方法及处理终端。

背景技术

在荔枝发育的整个物候期中，想要提高产量和品质除了要做好土、肥、水管理和病虫害防治外，对于晚秋梢的防治工作也尤为重要。晚秋梢的出现会消耗荔枝树的养分从而影响荔枝的品质和产量，因此对于晚秋梢的及早发现与防治是十分必要的。

目前检测秋梢的方法都还依赖人工检测，检测效率往往会受到果园地形、果树大小、天气等多方面的限制，往往很难做到对秋梢的及时识别与防治，因此急需一种方便高效的检测方法。随着无人机遥感技术的发展在农业植保方面的应用已经比较广泛。同时随着深度神经网络的发展，目标检测算法已经相对成熟，YOLO作为单阶段目标检测算法的代表在各种检测任务中已经有不错的表现。

YOLOV5作为YOLO系列比较先进的一种算法，虽然在传统目标识别领域具有不错的表现，但是对于遥感图像中晚秋梢的识别效果却不仅人意。晚秋梢本身尺寸有限，在遥感图像中所占比例很小，难以检测。另外，现有的YOLOV5的网络中大量卷积操作等会丢失目标的特征。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提出一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法及处理终端，解决了晚秋梢难以检测，原YOLOV5算法的网络中大量卷积操作等会丢失目标的特征的技术问题。

为此，本发明的公开了一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，所述方法包括：获取荔枝树晚秋梢的遥感图像；

建立改进型YOLOv5网络模型，所述建立改进型YOLOv5网络模型具体包括:通过现有的遥感图像数据集对YOLOv5的四种网络(s、m、l、x)进行训练，选择最优网络；在最优网络上添加针对小目标设计的预选框和检测层，在Neck部添加CBAM注意力机制，使用Swin-Transformer替换Neck部的BottleneckCSP层，使用BIFPN替换FPN特征融合金字塔和使用CIOU替换GIOU作为计算边界框回归的损失函数；

通过改进型YOLOv5网络模型获取遥感图像中荔枝树晚秋梢的检测结果。

优选地，所述通过现有的遥感图像数据集对YOLOV5的四种网络(s、m、l、x)进行训练，选择最优网络，包括：

通过现有的遥感图像数据集对YOLOV5的四种网络(s、m、l、x)进行训练，对比检测精度与检测速度和模型大小选择s作为改进的基础网络，在s的基础上对网络进行添加和替换的改进措施。

优选地，所述对比检测精度与检测速度和模型大小选择s作为改进的基础网络，具体包括：使用检测精度(AP)、模型大小和检测速度(每秒检测的图像数FPS)进行模型评估，查准率(P)是指对于所有预测为阳性的样本，有多大比率是真阳性，召回率(R)是指对于所有阳性样本，有多大比率被正确预测为阳性，对于AP是指PR(精密召回)曲线的面积，具体计算公式见公式：